This is a sentence-transformers model finetuned from vinai/phobert-base-v2. It maps sentences & paragraphs to a 768-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.

Model Details

Model Description

Model Type: Sentence Transformer
Base model: vinai/phobert-base-v2
Maximum Sequence Length: 256 tokens
Output Dimensionality: 768 tokens
Similarity Function: Cosine Similarity

Model Sources

Documentation: Sentence Transformers Documentation
Repository: Sentence Transformers on GitHub
Hugging Face: Sentence Transformers on Hugging Face

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 256, 'do_lower_case': False}) with Transformer model: RobertaModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
)

Usage

Direct Usage (Sentence Transformers)

First install the Sentence Transformers library:

pip install -U sentence-transformers

Then you can load this model and run inference.

python

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("meandyou200175/phobert_GISTEmbedLoss")
# Run inference
sentences = [
    'Bác sĩ cho em hỏi, em bị rạn nứt xương gót chân bên phải. Em bị hơn 1 tháng nay rồi. Em bỏ thuốc lá. Em muốn hỏi bác sĩ thông thường bó bột hơn hay thuốc lá hơn? Như của em khoảng bao lâu thì khỏi? Và giờ em vẫn chưa đi được bác sĩ ạ. Em cảm ơn.',
    'Chào em, Thứ nhất, bắt buộc phải có phim Xquang để biết em có thực sự nứt xương gót hay bị gãy phức tạp hơn, vì nhiều trường hợp tưởng chỉ nứt xương thôi nhưng thật ra là vỡ phức tạp, phải phẫu thuật mới nhanh ổn được. Thứ hai, theo nguyên tắc điều trị nứt gãy xương là phải cố định tốt để can xương mọc ra, chỗ nứt gãy mới được nối liền. Do đó, nếu bó bột thì chân sẽ được cố định liên tục trong 4-6 tuần, còn bó lá thì phải thay thường xuyên, mỗi lần thay là 1 lần xê dịch nên xương khó lành. Tốt hơn hết em nên đến Bệnh viện Chấn thương Chỉnh hình để được kiểm tra và điều trị thích hợp, em nhé. Thân mến.',
    'Chào bạn, Qua hình ảnh sang thương và mô tả triệu chứng, bệnh lý của bạn có khả năng là chàm hay còn gọi là viêm da dị ứng với đặc điểm là viêm và nổi mụn nhỏ, ngứa ngáy. Nguyên nhân của chàm hiện nay chưa rõ nhưng có thể do cơ địa dị ứng (người mắc hen, viêm mũi dị ứng có nguy cơ cao mắc chàm), do kích thích của hóa chất như nước rửa chén, bột giặt, cao su, kim loại, chất liệu giày dép (chàm tiếp xúc),... Thời tiết lạnh, stress, đổ mồ hôi nhiều và phấn hoa... cũng là những nguyên nhân có thể khiến da bị chàm. Chàm cũng có thể gặp ở người bị suy van tĩnh mạch, giãn tĩnh mạch chân khiến tình trạng bệnh dai dẳng, kém đáp ứng điều trị. Điều trị chàm thường phải sử dụng một số loại thuốc bôi da kéo dài, có thể để lại tác dụng phụ, do đó bạn nên khám BS Da liễu để kê toa loại thuốc phù hợp. Ngoài ra, bạn nên chú ý xem có yếu tố nào thường kích thích khởi phát chàm để tránh cho bệnh tái phát bạn nhé! Thân mến.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Evaluation

Metrics

Information Retrieval

Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.7155
cosine_accuracy@2	0.7955
cosine_accuracy@5	0.8751
cosine_accuracy@10	0.9244
cosine_accuracy@100	0.9923
cosine_precision@1	0.7155
cosine_precision@2	0.3977
cosine_precision@5	0.175
cosine_precision@10	0.0924
cosine_precision@100	0.0099
cosine_recall@1	0.7155
cosine_recall@2	0.7955
cosine_recall@5	0.8751
cosine_recall@10	0.9244
cosine_recall@100	0.9923
cosine_ndcg@10	0.818
cosine_mrr@1	0.7155
cosine_mrr@2	0.7555
cosine_mrr@5	0.7778
cosine_mrr@10	0.7842
cosine_mrr@100	0.7873
cosine_map@100	0.7873
dot_accuracy@1	0.6786
dot_accuracy@2	0.7661
dot_accuracy@5	0.8603
dot_accuracy@10	0.9151
dot_accuracy@100	0.9914
dot_precision@1	0.6786
dot_precision@2	0.383
dot_precision@5	0.1721
dot_precision@10	0.0915
dot_precision@100	0.0099
dot_recall@1	0.6786
dot_recall@2	0.7661
dot_recall@5	0.8603
dot_recall@10	0.9151
dot_recall@100	0.9914
dot_ndcg@10	0.7943
dot_mrr@1	0.6786
dot_mrr@2	0.7223
dot_mrr@5	0.7485
dot_mrr@10	0.7559
dot_mrr@100	0.7596
dot_map@100	0.7596

Training Details

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: steps
per_device_train_batch_size: 16
per_device_eval_batch_size: 16
learning_rate: 2e-05
num_train_epochs: 5
warmup_ratio: 0.1
fp16: True
batch_sampler: no_duplicates

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: steps
prediction_loss_only: True
per_device_train_batch_size: 16
per_device_eval_batch_size: 16
per_gpu_train_batch_size: None
per_gpu_eval_batch_size: None
gradient_accumulation_steps: 1
eval_accumulation_steps: None
torch_empty_cache_steps: None
learning_rate: 2e-05
weight_decay: 0.0
adam_beta1: 0.9
adam_beta2: 0.999
adam_epsilon: 1e-08
max_grad_norm: 1.0
num_train_epochs: 5
max_steps: -1
lr_scheduler_type: linear
lr_scheduler_kwargs: {}
warmup_ratio: 0.1
warmup_steps: 0
log_level: passive
log_level_replica: warning
log_on_each_node: True
logging_nan_inf_filter: True
save_safetensors: True
save_on_each_node: False
save_only_model: False
restore_callback_states_from_checkpoint: False
no_cuda: False
use_cpu: False
use_mps_device: False
seed: 42
data_seed: None
jit_mode_eval: False
use_ipex: False
bf16: False
fp16: True
fp16_opt_level: O1
half_precision_backend: auto
bf16_full_eval: False
fp16_full_eval: False
tf32: None
local_rank: 0
ddp_backend: None
tpu_num_cores: None
tpu_metrics_debug: False
debug: []
dataloader_drop_last: False
dataloader_num_workers: 0
dataloader_prefetch_factor: None
past_index: -1
disable_tqdm: False
remove_unused_columns: True
label_names: None
load_best_model_at_end: False
ignore_data_skip: False
fsdp: []
fsdp_min_num_params: 0
fsdp_config: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
fsdp_transformer_layer_cls_to_wrap: None
accelerator_config: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
deepspeed: None
label_smoothing_factor: 0.0
optim: adamw_torch
optim_args: None
adafactor: False
group_by_length: False
length_column_name: length
ddp_find_unused_parameters: None
ddp_bucket_cap_mb: None
ddp_broadcast_buffers: False
dataloader_pin_memory: True
dataloader_persistent_workers: False
skip_memory_metrics: True
use_legacy_prediction_loop: False
push_to_hub: False
resume_from_checkpoint: None
hub_model_id: None
hub_strategy: every_save
hub_private_repo: False
hub_always_push: False
gradient_checkpointing: False
gradient_checkpointing_kwargs: None
include_inputs_for_metrics: False
eval_do_concat_batches: True
fp16_backend: auto
push_to_hub_model_id: None
push_to_hub_organization: None
mp_parameters:
auto_find_batch_size: False
full_determinism: False
torchdynamo: None
ray_scope: last
ddp_timeout: 1800
torch_compile: False
torch_compile_backend: None
torch_compile_mode: None
dispatch_batches: None
split_batches: None
include_tokens_per_second: False
include_num_input_tokens_seen: False
neftune_noise_alpha: None
optim_target_modules: None
batch_eval_metrics: False
eval_on_start: False
use_liger_kernel: False
eval_use_gather_object: False
batch_sampler: no_duplicates
multi_dataset_batch_sampler: proportional

Training Logs

Click to expand

Epoch	Step	Training Loss	Validation Loss	cosine_map@100
0	0	-	-	0.1388
0.0365	100	6.7732	-	-
0.0730	200	1.3336	-	-
0.1096	300	0.5471	-	-
0.1461	400	0.3911	-	-
0.1826	500	0.2706	-	-
0.2191	600	0.298	-	-
0.2557	700	0.2197	-	-
0.2922	800	0.2261	-	-
0.3287	900	0.2154	-	-
0.3652	1000	0.2234	-	-
0.4018	1100	0.1897	-	-
0.4383	1200	0.224	-	-
0.4748	1300	0.2019	-	-
0.5113	1400	0.1748	-	-
0.5478	1500	0.2115	-	-
0.5844	1600	0.1745	-	-
0.6209	1700	0.1648	-	-
0.6574	1800	0.197	-	-
0.6939	1900	0.1471	-	-
0.7305	2000	0.1594	-	-
0.7670	2100	0.1671	-	-
0.8035	2200	0.1446	-	-
0.8400	2300	0.1303	-	-
0.8766	2400	0.1515	-	-
0.9131	2500	0.1945	-	-
0.9496	2600	0.1734	-	-
0.9861	2700	0.1546	-	-
1.0226	2800	0.1605	-	-
1.0592	2900	0.1355	-	-
1.0957	3000	0.1368	0.1120	0.7427
1.1322	3100	0.1159	-	-
1.1687	3200	0.1273	-	-
1.2053	3300	0.1074	-	-
1.2418	3400	0.0866	-	-
1.2783	3500	0.0843	-	-
1.3148	3600	0.1019	-	-
1.3514	3700	0.0689	-	-
1.3879	3800	0.0631	-	-
1.4244	3900	0.0646	-	-
1.4609	4000	0.0756	-	-
1.4974	4100	0.0486	-	-
1.5340	4200	0.0376	-	-
1.5705	4300	0.0239	-	-
1.6070	4400	0.0551	-	-
1.6435	4500	0.0353	-	-
1.6801	4600	0.0516	-	-
1.7166	4700	0.0526	-	-
1.7531	4800	0.0413	-	-
1.7896	4900	0.0317	-	-
1.8262	5000	0.0347	-	-
1.8627	5100	0.0346	-	-
1.8992	5200	0.0364	-	-
1.9357	5300	0.069	-	-
1.9722	5400	0.0291	-	-
2.0088	5500	0.046	-	-
2.0453	5600	0.045	-	-
2.0818	5700	0.0301	-	-
2.1183	5800	0.0371	-	-
2.1549	5900	0.0331	-	-
2.1914	6000	0.04	0.1288	0.7661
2.2279	6100	0.0431	-	-
2.2644	6200	0.0349	-	-
2.3009	6300	0.0226	-	-
2.3375	6400	0.0243	-	-
2.3740	6500	0.0254	-	-
2.4105	6600	0.0239	-	-
2.4470	6700	0.0355	-	-
2.4836	6800	0.0262	-	-
2.5201	6900	0.0097	-	-
2.5566	7000	0.0192	-	-
2.5931	7100	0.0141	-	-
2.6297	7200	0.0088	-	-
2.6662	7300	0.0147	-	-
2.7027	7400	0.0152	-	-
2.7392	7500	0.0065	-	-
2.7757	7600	0.005	-	-
2.8123	7700	0.0114	-	-
2.8488	7800	0.0143	-	-
2.8853	7900	0.0087	-	-
2.9218	8000	0.0266	-	-
2.9584	8100	0.026	-	-
2.9949	8200	0.0059	-	-
3.0314	8300	0.0182	-	-
3.0679	8400	0.0092	-	-
3.1045	8500	0.0134	-	-
3.1410	8600	0.0079	-	-
3.1775	8700	0.0066	-	-
3.2140	8800	0.0073	-	-
3.2505	8900	0.0062	-	-
3.2871	9000	0.0033	0.1232	0.7741
3.3236	9100	0.006	-	-
3.3601	9200	0.011	-	-
3.3966	9300	0.0034	-	-
3.4332	9400	0.0027	-	-
3.4697	9500	0.0052	-	-
3.5062	9600	0.0019	-	-
3.5427	9700	0.0039	-	-
3.5793	9800	0.0032	-	-
3.6158	9900	0.0132	-	-
3.6523	10000	0.0042	-	-
3.6888	10100	0.0022	-	-
3.7253	10200	0.0038	-	-
3.7619	10300	0.0054	-	-
3.7984	10400	0.0009	-	-
3.8349	10500	0.0003	-	-
3.8714	10600	0.0025	-	-
3.9080	10700	0.0049	-	-
3.9445	10800	0.0042	-	-
3.9810	10900	0.0007	-	-
4.0175	11000	0.0035	-	-
4.0541	11100	0.005	-	-
4.0906	11200	0.0016	-	-
4.1271	11300	0.0049	-	-
4.1636	11400	0.0003	-	-
4.2001	11500	0.001	-	-
4.2367	11600	0.0012	-	-
4.2732	11700	0.0004	-	-
4.3097	11800	0.003	-	-
4.3462	11900	0.0005	-	-
4.3828	12000	0.0008	0.1095	0.7873
4.4193	12100	0.0005	-	-
4.4558	12200	0.0025	-	-
4.4923	12300	0.0022	-	-
4.5289	12400	0.0001	-	-
4.5654	12500	0.0008	-	-
4.6019	12600	0.0034	-	-
4.6384	12700	0.0042	-	-
4.6749	12800	0.0	-	-
4.7115	12900	0.004	-	-
4.7480	13000	0.0012	-	-
4.7845	13100	0.0004	-	-
4.8210	13200	0.001	-	-
4.8576	13300	0.0033	-	-
4.8941	13400	0.0009	-	-
4.9306	13500	0.0003	-	-
4.9671	13600	0.0002	-	-

Framework Versions

Python: 3.10.14
Sentence Transformers: 3.2.1
Transformers: 4.45.1
PyTorch: 2.4.0
Accelerate: 0.34.2
Datasets: 3.0.1
Tokenizers: 0.20.0

Citation

BibTeX

Sentence Transformers

bibtex

@inproceedings{reimers-2019-sentence-bert,
    title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
    author = "Reimers, Nils and Gurevych, Iryna",
    booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
    month = "11",
    year = "2019",
    publisher = "Association for Computational Linguistics",
    url = "https://arxiv.org/abs/1908.10084",
}

GISTEmbedLoss

bibtex

@misc{solatorio2024gistembed,
    title={GISTEmbed: Guided In-sample Selection of Training Negatives for Text Embedding Fine-tuning},
    author={Aivin V. Solatorio},
    year={2024},
    eprint={2402.16829},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}